關(guān)鍵詞：交通標(biāo)志檢測；YOLOv8；感受野卷積；空間金字塔池化；Focal-EIOU

0 引言

隨著智能交通系統(tǒng)的快速發(fā)展，交通標(biāo)志檢測已成為其中不可或缺的一環(huán)。高效準(zhǔn)確的檢測算法對于提高道路安全、輔助自動駕駛以及優(yōu)化交通管理具有重要意義。傳統(tǒng)的交通標(biāo)志檢測方法往往依賴于手工設(shè)計(jì)的特征和復(fù)雜的分類器，其性能受到特征提取的準(zhǔn)確性和分類器泛化能力的限制。

針對這一問題，眾多研究者提出了不同的實(shí)時交通標(biāo)志檢測方法。例如，Daniel Castriani Santos 等人使用更快的R-CNN，提出了一種基于神經(jīng)網(wǎng)絡(luò)的實(shí)時交通標(biāo)志檢測和識別算法[1]；張建明等人提出了一種基于自適應(yīng)圖像增強(qiáng)和顯式客體分支的單級特征無錨交通標(biāo)志檢測器，以在野外環(huán)境中平衡魯棒性、實(shí)時性和準(zhǔn)確性的要求[2]。李旭東等人則針對智能駕駛過程中對交通標(biāo)志自動檢測的實(shí)時性和魯棒性要求，提出了一種基于YOLOv3-tiny的嵌套殘差結(jié)構(gòu)交通標(biāo)志快速檢測算法[3]。李大湘等人在YOLOv4算法基礎(chǔ)上引入注意力驅(qū)動的尺度感知特征提取模塊，以解決在復(fù)雜場景中交通標(biāo)志因尺度變化顯著而引發(fā)的識別精度下降問題[4]。此外，張榮云等人將卷積塊注意力模型與YOLOv5中的CSP1_3模型融合，增強(qiáng)了YOLOv5 的特征提取能力，提高了交通標(biāo)志的準(zhǔn)確性[5]。石鎮(zhèn)岳等人引入坐標(biāo)注意力機(jī)制和空洞空間金字塔池化技術(shù)，優(yōu)化了YOLOv7算法對小目標(biāo)的檢測性能，顯著減少了誤檢和漏檢現(xiàn)象[6]。熊恩杰等人對YOLOv8n進(jìn)行改進(jìn)，設(shè)計(jì)了全新的C2fGhost模塊，并添加了小目標(biāo)檢測層，從而在一定程度上解決了傳統(tǒng)網(wǎng)絡(luò)模型在交通標(biāo)志識別精度低和檢測不準(zhǔn)確的問題[7]。張建明等人則提出了一種新的中國交通標(biāo)志檢測基準(zhǔn)CCTSDB 2021，該基準(zhǔn)在CCTSDB 2017的基礎(chǔ)上進(jìn)行了改進(jìn)，以適應(yīng)復(fù)雜多變的檢測環(huán)境[8]。

近年來，YOLO系列算法因高效準(zhǔn)確而廣泛應(yīng)用于物體檢測領(lǐng)域。作為新一代YOLO算法，YOLOv8 優(yōu)化了模型架構(gòu)和訓(xùn)練過程，為提升檢測速度和準(zhǔn)確率提供了新的可能。然而，交通標(biāo)志檢測仍面臨多樣性、尺寸變化、遮擋及光照變化等挑戰(zhàn)。本文旨在深入研究YOLOv8算法在交通標(biāo)志檢測領(lǐng)域的應(yīng)用，從而為智能交通系統(tǒng)的進(jìn)一步發(fā)展和完善提供堅(jiān)實(shí)的技術(shù)支持。

1 YOLOv8相關(guān)理論

YOLOv8是Ultralytics公司推出的新一代目標(biāo)檢測算法，它在YOLO系列的基礎(chǔ)上進(jìn)行了全面的優(yōu)化與升級，在圖像分類、物體檢測和實(shí)例分割等任務(wù)中均展現(xiàn)出了卓越的性能。該算法提供了包括YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l 和YOLOv8x 在內(nèi)的五種不同大小的模型，以滿足不同場景和性能需求。

YOLOv8的架構(gòu)采用了深度學(xué)習(xí)領(lǐng)域的最新研究成果，包括改進(jìn)的骨干網(wǎng)絡(luò)、特征融合策略以及損失函數(shù)優(yōu)化等。在Backbone部分，YOLOv8把YOLOv5 中使用的C3模塊替換為更為輕量級的C2f模塊，這一舉措有效提升了模型的效率。同時，YOLOv8繼承了YOLOv5等經(jīng)典架構(gòu)中廣泛應(yīng)用的SPPF模塊。

在Head 部分，YOLOv8 摒棄了傳統(tǒng)的Anchor-Based方法，轉(zhuǎn)而采用Anchor-Free的思想。這一轉(zhuǎn)變使得模型在目標(biāo)檢測過程中不再依賴于預(yù)設(shè)的錨框，從而大大簡化了檢測流程，并提升了模型的靈活性和適應(yīng)性。

在特征融合方面，YOLOv8充分利用了多尺度特征融合技術(shù)。通過有效整合不同層次的特征信息，模型能夠更好地捕捉目標(biāo)的局部細(xì)節(jié)和全局結(jié)構(gòu)，從而顯著提高了對不同尺度目標(biāo)的檢測能力。

YOLOv8 對損失函數(shù)進(jìn)行了深入的優(yōu)化，采用VFL Loss 作為分類損失，使用DFL Loss 結(jié)合CIOULoss作為回歸損失。在正負(fù)樣本匹配方面，YOLOv8 摒棄了傳統(tǒng)的IOU匹配或單邊比例分配方式，轉(zhuǎn)而采用Task-Aligned Assigner匹配方式[9]。

2 改進(jìn)的YOLOv8網(wǎng)絡(luò)結(jié)構(gòu)

基于改進(jìn)YOLOv8s的交通標(biāo)志檢測算法，算法引入了RFCAConv以替代部分卷積操作，通過賦予不同感受野以不同的注意力權(quán)重，使模型能夠更加專注于目標(biāo)區(qū)域的細(xì)節(jié)信息。同時，采用SPPFCSPC模塊替代了SPPF模塊，以提高特征融合的效率，使得模型能夠更準(zhǔn)確地捕獲不同尺度交通標(biāo)志的特征。在錨框回歸過程中，放棄了原有的CIOU損失函數(shù)，采用了Focal-EIOU損失函數(shù)，以更好地處理邊界框與真實(shí)框之間的不匹配問題。

2.1 RFCAConv 感受野注意力卷積

在傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)（CNN） 中，卷積核在處理不同區(qū)域的圖像時共享相同的參數(shù)，這可能限制了模型對于復(fù)雜模式的學(xué)習(xí)能力。感受野注意力卷積通過引入注意力機(jī)制，能夠更靈活地調(diào)整卷積核的參數(shù)，針對不同區(qū)域提供定制化的處理，從而解決卷積核參數(shù)共享的問題。一些具有空間注意力機(jī)制性質(zhì)的注意力模塊，如CA，已被前人設(shè)計(jì)為RFCA，并將其與卷積結(jié)合得到新的RFCAConv，如圖1所示。

2.2 SPPFCSPC 空間金字塔池化

空間金字塔池化（Spatial Pyramid Pooling，簡稱SPP） 是一種有效處理不同尺寸輸入圖像的技術(shù)。它通過將圖像劃分為不同層級、不同大小的空間金字塔區(qū)域并進(jìn)行池化操作，從而實(shí)現(xiàn)對任意大小圖像的固定長度特征表示，增強(qiáng)了模型的魯棒性和泛化能力，這對于交通標(biāo)志檢測等任務(wù)具有重要的應(yīng)用價值[10]。SPPFCSPC是結(jié)合了SPPCSPC和SPPF優(yōu)點(diǎn)的新模塊，如圖2所示。

2.3 Focal-EIOU 損失函數(shù)

YOLOv8中使用的CIoU損失函數(shù)雖然考慮了邊界框回歸的重疊面積、中心點(diǎn)距離及長寬比，但其僅反映了長寬比的差異，未能準(zhǔn)確體現(xiàn)寬高與其置信度之間的真實(shí)差異。為了克服CIoU的這一局限，采用Focal-EIOU 損失函數(shù)替代CIoU 損失函數(shù)。Focal-EIOU損失函數(shù)的公式如下：

式中，Cw 和 Ch 分別是兩個矩形的寬和高，LIOU 為IOU損失，Ldis 為距離損失，Lasp 為邊長損失，γ 是一個用于控制曲線的超參數(shù)[11]。

改進(jìn)后的YOLOv8算法結(jié)構(gòu)如圖3所示。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集

CCTSDB，即中國交通標(biāo)志檢測數(shù)據(jù)集（CSUSTChinese Traffic Sign Detection Benchmark） ，是由長沙理工大學(xué)相關(guān)學(xué)者及團(tuán)隊(duì)制作而成的[8]。本次實(shí)驗(yàn)使用的是CCTSDB 2021 數(shù)據(jù)集，其中包含17 856 幅圖像，包括訓(xùn)練集和測試集。訓(xùn)練集圖像有16 356幅，測試集圖像有1 500幅，標(biāo)注了常見的指示標(biāo)志、禁令標(biāo)志及警告標(biāo)志等三大類交通標(biāo)志[8]。數(shù)據(jù)集中既有未經(jīng)任何修飾的原始圖片，也有通過橫向拉伸或縮小來改變尺寸的圖片，添加了椒鹽噪聲以模擬圖像傳輸中可能產(chǎn)生的失真效果的圖片，以及調(diào)整亮度以展示不同光照條件下圖像表現(xiàn)的圖片。此外，還對一段真實(shí)的行車視頻進(jìn)行了逐幀抽取，并將這些幀轉(zhuǎn)化為圖片，以此模擬實(shí)際駕駛環(huán)境中可能遭遇的各種挑戰(zhàn)。

3.2 評價指標(biāo)與實(shí)驗(yàn)參數(shù)

本文采用均值平均精度（mean Average Precision，mAP） 作為模型的評價指標(biāo)，包括mAP@0.5與mAP@0.5：0.95。計(jì)算方式如下：

其中，TP 為檢測正確的目標(biāo)數(shù)量，F(xiàn)P 為檢測錯誤的目標(biāo)數(shù)量，F(xiàn)N 表示漏檢數(shù)量。Precision衡量正確識別的比例（準(zhǔn)確率），Recall衡量找到所有正例的能力（召回率）。AP 是precision-recall曲線與X軸包絡(luò)的面積，衡量整體性能。K 代表類別數(shù)量。mAP@0.5是在IoU（Intersection over Union） 閾值為0.5時計(jì)算的平均精度，而mAP@0.5：0.95 則是在IoU 閾值從0.5 到0.95的范圍內(nèi)，計(jì)算所有類別的平均精度均值。本次實(shí)驗(yàn)所使用的部分參數(shù)如表1所示。

3.3 實(shí)驗(yàn)結(jié)果及分析

在上述條件下，使用YOLOv8s模型進(jìn)行實(shí)驗(yàn)，訓(xùn)練并測試模型性能。對YOLOv8n、YOLOv8s以及改進(jìn)的YOLOv8s算法進(jìn)行比較，結(jié)果如表2所示。

通過對比試驗(yàn)可以得出，在CCTSDB 2021數(shù)據(jù)集上，mAP@0.5和mAP@0.5：0.95的數(shù)值相比于原模型均有所增長。從圖4中可以直觀且清晰地體現(xiàn)檢測效果，改進(jìn)后的模型在檢測準(zhǔn)確率方面相較于原模型有了顯著提升。

4 結(jié)束語

針對當(dāng)前道路交通標(biāo)志識別所面臨的難題，提出了一種基于改進(jìn)YOLOv8s的交通標(biāo)志識別算法。在Backbone網(wǎng)絡(luò)中，引入RFCAConv，有效提升了模型對交通標(biāo)志特征的提取能力；采用SPPFCSPC模塊替代傳統(tǒng)的SPPF模塊，進(jìn)一步提高了特征融合的效率；摒棄原有的回歸損失函數(shù)，轉(zhuǎn)而采用Focal-EIOU損失函數(shù)，從而提升了網(wǎng)絡(luò)的收斂速度和檢測精度。通過在CCTSDB 2021數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證，效果指標(biāo)均有所提高。然而，改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)在計(jì)算量和對計(jì)算機(jī)資源的占用上相較于原結(jié)構(gòu)略有增加，仍有進(jìn)一步優(yōu)化的空間。